具有新型应用领域的多任务预训练语言模型能够更全面地预测健康和生态毒性
Zhichao Tan1, Youcai Zhao1, Kunsen Lin1
1The State Key Laboratory of Pollution Control and Resource Reuse, School of Environmental Science and Engineering, Tongji University, 1239 Siping Road, Shanghai 200092, China; Shanghai Institute of Pollution Control and Ecological Security, 1515 North Zhongshan Rd. (No. 2), Shanghai 200092, PR China.
Journal of hazardous materials
|July 22, 2024
概括
这项研究引入了TOX-BERT,这是一种用于预测化学毒性的新型AI模型. 它提高了预测的准确性和可靠性,有助于更安全的化学品管理和风险评估.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 人工智能的人工智能是人工智能.
背景情况:
- 现有的in silico毒性预测模型面临容量,数据稀缺性和可靠性的限制.
- 有效的化学品管理需要强大的工具来选健康和生态关注的物质.
研究的目的:
- 引入基于SMILES的预训练模型TOX-BERT,旨在克服健康和生态毒性预测方面的挑战.
- 提高能力,解决数据稀缺问题,提高毒性预测模型的可靠性.
主要方法:
- 开发TOX-BERT,一个基于SMILES的预训练模型,利用掩盖原子恢复和多任务学习.
- 引入新的应用领域 (AD) 参数 (PCA-AD和LDS) 以提高预测可靠性.
- 将TOX-BERT应用于大型数据集 (18,905种IECSC化学品) 并开发基于SMILES的毒性检测点方法.
主要成果:
- 托克斯伯特实现了超过90%的预测准确度,平均绝对误差 (MAE) 低于0.52.
- 确定了不同的毒性关系,例如心脏毒性和急性生态毒性,与实验发现保持一致.
- 选了18905种化学品,在7个类别中确定了156种潜在的高风险物质,并使结构毒性分析成为可能.
结论:
- 托克斯伯特在预测健康和生态毒性方面取得了重大进展,解决了当前模型的关键局限性.
- 该模型为化学风险评估和管理提供了更全面,可靠和适用的预测.
- 托克斯伯特是识别高风险化学品和理解结构性毒性模式的宝贵工具.
